Rakennukset sekä niiden lämmitys-, ilmanvaihto- ja ilmastointijärjestelmät muodostavat merkittävän osan energian kokonaiskulutuksesta. Ilmanvaihtojärjestelmissä piilee huomattava energiansäästöpotentiaali, mutta perinteiset sääntöpohjaiset ohjaustavat eivät aina reagoi optimaalisesti ympäristön jatkuvasti muuttuviin olosuhteisiin.
Perinteisesti ilmanvaihtokoneiden toimintaa ohjataan sääntöperusteisilla ja aikaohjatuilla menetelmillä. Suvannon diplomityössä selvitettiin, miten ohjauksessa voisi hyödyntää tekoälymenetelmiä, jotka oppivat järjestelmän toimintaa datan avulla ja mukautuvat erilaisiin käyttötilanteisiin automaattisesti.
Oppiva ohjausstrategia todellisen rakennusdatan avulla
Työssä hyödynnettiin syvävahvistusoppimista, joka soveltuu erityisesti moniulotteisiin optimointitehtäviin. Menetelmän etuna on kyky oppia suoraan datasta ja kokemuksista ilman, että kaikkia sääntöjä täytyy määritellä etukäteen.
Vahvistusoppimisalgoritmien haasteena on kuitenkin suuri datan ja harjoittelun tarve. Tämän vuoksi niiden kouluttaminen suoraan oikeassa rakennuksessa olisi sekä aikaa vievää että kallista. Tyypillisesti algoritmeja koulutetaan simulaatioympäristöissä, mutta tällöin simuloitu data ei välttämättä vastaa todellisen rakennuksen käyttäytymistä ja sen monimutkaisia epälineaarisuuksia.
– Perinteisesti vahvistusoppimisalgoritmeja koulutetaan simulaatioympäristöissä. Tässä työssä halusimme hyödyntää todellista rakennusdataa, jotta mallit vastaisivat mahdollisimman hyvin oikean kiinteistön toimintaa. Rakennuksen ja ilmanvaihtokoneen käyttäytymistä mallinnettiin LSTM-neuroverkolla, joka toimi harjoitteluympäristönä varsinaiselle ohjausalgoritmille, kertoo Suvanto.
Long Short-Term Memory (LSTM) -neuroverkko opetettiin todellisen rakennuksen historiadatan avulla tunnistamaan järjestelmän toiminnan keskeiset piirteet. Tämän jälkeen neuroverkko toimi harjoitteluympäristönä varsinaiselle ohjausalgoritmille, joka voitiin kouluttaa rakennuskohtaisesti ilman, että oppiminen tapahtui suoraan oikeassa järjestelmässä.
Varsinaisena ohjausalgoritmina käytettiin Soft Actor-Critic (SAC) -vahvistusoppimismenetelmää, joka tunnetaan hyvästä suorituskyvystään jatkuvien säätöongelmien ratkaisemisessa.
Energiatehokkuutta ilman kompromisseja sisäilmassa
Diplomityön tulokset olivat lupaavia. Kehitetty ohjausstrategia paransi ilmanvaihtokoneen energiatehokkuutta verrattuna perinteiseen ohjaustapaan samalla kun sisäilman laatu säilyi samalla tasolla.
– Käytännössä työn tuloksena voidaan todeta, että järjestelmä kulutti vähemmän energiaa tuottaakseen saman sisäilman laadun kuin vertailukohtana käytetty perinteinen ratkaisu, kertoo Suvanto.
Tulosta voidaan pitää erityisen kiinnostavana, sillä vertailussa käytetty sääntöpohjainen ohjausstrategia sisälsi jo ennestään ilmanlaatuun mukautuvia ominaisuuksia. Tästä huolimatta tekoälypohjainen ratkaisu pystyi löytämään energiatehokkaamman toimintatavan.
Diplomityö pohjana jatkokehitykselle
Työ rajattiin yksittäisen ilmanvaihtokoneen ohjaukseen, mutta menetelmä tarjoaa mahdollisuuksia huomattavasti laajempiin sovelluksiin.
– Yksittäinen ilmanvaihtokone oli luonteva lähtökohta tutkimukselle. Tuloksissa yllättikin, kuinka yksinkertaisella datalla ja yhden koneen ohjaamisella päästiin jo selkeisiin energiansäästöihin. Seuraava askel on soveltaa vastaavaa lähestymistapaa koko rakennuksen tai useiden teknisten järjestelmien yhteiseen optimointiin, jolloin myös saavutettavat hyödyt olisivat suurempia, Suvanto pohtii.
Diplomityö toimi pohjana jatkokehitykselle, jota toteutetaan osana AI Champion -projektia. AI Champion on Tampereen yliopiston koordinoima Co-Innovation-projekti ja yksi Työ- ja elinkeinoministeriön datatalouden kasvuohjelman piloteista. Projektissa kehitetään sata tekoälyagenttia, jotka parantavat automaatiota ja tiedonkulkua talotekniikan toimitusketjuissa.
Koja Groupin jatkoprojektissa on hyödynnetty diplomityön malleja ja kehitetty kielimallipohjaista sekä skaalautuvaa menetelmää koneoppimiseen perustuvien ohjausstrategioiden kouluttamiseen. Projektityö on toteutettu AI Championin tutkijavaihdossa yhteistyössä yrityksen kanssa Kojan Jalasjärven tehtaalla. Projektitutkija Rajratan Wankhade on rakentanut ilmanvaihtokoneiden testausta varten tekoälytehtaan, joka toimii moniagenttijärjestelmänä usean tekoälyagentin avulla.
Opiskelijasta osaksi Koja Groupin kehitystyötä
Alina Suvannon polku Koja Groupissa alkoi kesällä 2025, jolloin hän opiskeli Aalto-yliopiston tietotekniikan laitoksessa ja työskenteli yrityksessä kesäharjoittelijana. Samalla syntyi myös ajatus diplomityöstä, joka yhdistäisi tekoälytutkimuksen ja rakennusten energiatehokkuuden kehittämisen käytännön liiketoimintaympäristössä.
– Energiatehokkuus ja kestävämmän tulevaisuuden rakentaminen ovat merkityksellisiä ja kiinnostavia aihepiirejä. Työn kautta oli mahdollista päästä vaikuttamaan konkreettisten ja käytännönläheisten ratkaisujen kautta, sanoo Suvanto.
Suvannon diplomityö valmistui keväällä 2026, jonka myötä hän valmistui itsekin diplomi-insinööriksi kesällä 2026. Nykyisin hän työskentelee ohjelmistoinsinöörinä Koja Groupin digitalisaatiotiimissä keskittyen Chiller Oy:n ohjelmistokehitykseen.
– Oli todella palkitsevaa päästä tekemään opinnäytetyötä yrityksen todellisen kehitystyön parissa. Erityisen motivoivaa oli nähdä, että tutkimuksella voidaan löytää ratkaisuja käytännön ongelmiin ja samalla luoda pohjaa tulevaisuuden kehitystyölle. Nyt pääsen jatkamaan samojen teemojen parissa osana Koja Groupin digitalisaatiotiimiä, Suvanto kertoo.
*****
Tutustu Alina Suvannon diplomityöhön
Suvannon diplomityö ”Deep reinforcement learning for air handling unit control” on julkaistu Aalto-yliopiston Aaltodoc-julkaisuarkistossa.
*****
Lue lisää AI Champion -projektista ja tekoälytehtaasta
Tampereen yliopiston sivuille on julkaistu uutinen, josta voi tutustua lisää AI Champion -projektiin, tekoälyagenttien toimintaan sekä Koja Jalasjärvellä toteutettuun tekoälytehtaaseen.
